本發明實施例涉及無人機
技術領域：
，具體涉及一種多無人機執行多任務的分配方法及裝置。
背景技術：
：當前，無人機uav(unmannedaerialvehicle)在軍民領域有著廣泛的應用，可完成目標偵察、目標跟蹤、情報收集、震后救援和地質勘探等多種類型任務。例如在多架uav協同偵察目標時，既要最合理地為每架uav分配其所需偵察的目標，還要為其規劃最優的飛行航跡。該問題是一個受多因素約束的任務分配與航跡規劃聯合優化問題，也是非確定性問題。隨著uav研究的深入，環境因素被逐漸納入問題的研究，特別是uav任務分配、航跡規劃和飛行控制等問題中，在環境因素的影響下如何降低耗能、控制uav的飛行狀態從而使uav消耗最少的燃料執行最多的任務、具備更好的任務執行狀態和更高的安全性是當前uav研究的主要工作。當前常用于解決uav任務分配與任務規劃問題的模型有：tsp模型，top模型和vrp模型，其中，tsp模型是在只有單一旅行者的條件下，使得旅行者通過所有給定的目標點之后，從而使其路徑成本最小的模型；top模型是在存在多個成員的條件下，使得每個成員盡可能訪問更多的目標點，從而使得所有成員的總收益最大的模型；vrp模型是在車輛數量固定的條件下，使得車輛訪問一定數量目標點，且在此過程中每個目標點只能被訪問一次，最終使得uav航行的總距離或總時間最短的模型。在實現本發明實施例的過程中，發明人發現現有的技術方案在實際操作中，一般是假設模型中在恒定時間內無人機的速度是恒定的。然而這個假設顯然是不現實的，導致模型無法精確模擬出無人機的實際運動狀態，進而無法進行最優的航跡規劃。技術實現要素：本發明實施例的一個目的是解決現有技術由于在進行航跡規劃是設定無人機的速度是恒定的，導致模型無法精確模擬出無人機的實際運動狀態，進而無法給出的最優的航跡規劃。本發明實施例提出了一種多無人機執行多任務的分配方法，包括：s1、獲取多個無人機和多個目標點的位置信息，以及所述多個無人機和風場的運動參數；s2、根據所述多個無人機和所述多個目標點的位置信息和預設遺傳算法，構建初始種群，所述初始種群中的每個染色體均包括無人機數量的歐式飛行路徑且各條歐式飛行路徑均由不同無人機完成；s3、根據所述初始種群、無人機和風場的運動參數確定無人機飛行狀態和無人機完成歐式飛行路徑的航跡段的航行時間，根據所述航跡段的航行時間和muav-vs-evrp模型獲取初始種群中染色體對應的所有無人機完成任務時間；s4、基于遺傳算法，對初始種群中染色體進行交叉、變異處理，并在達到預定迭代次數后，選取所有無人機完成任務時間最短的染色體作為所述無人機的最優任務分配方案。可選的，根據所述多個無人機和所述多個目標點的位置信息和預設遺傳算法，構建初始種群包括：根據預設遺傳算法的編碼方式進行染色體編碼生成預定規模的初始種群；所述染色體由目標點信息和無人機信息組成；其中所述目標點屬于集合t0表示uavs的起點，nt表示目標點數量，無人機屬于集合nu表示無人機數量；所述染色體第一行為所述目標點的隨機全排列，第二行為根據無人機集合為每個目標點隨機選取對應的無人機，且需保證無人機集合中的無人機全部至少被選擇一次。可選的，根據所述初始種群、無人機和風場的運動參數確定無人機飛行狀態和無人機完成歐式飛行路徑的航跡段的航行時間，根據所述航跡段的航行時間和muav-vs-evrp模型獲取初始種群中染色體對應的所有無人機完成任務時間包括：每個染色體對應的歐式飛行路徑根據其目標點被訪問順序將所述飛行路徑分為多個航跡段；根據每個航跡段對應的起始點的坐標以及終止點的坐標，結合風場參數確定無人機飛行狀態，進而獲取所述無人機完成所述航跡段的所有無人機完成任務時間；根據每個航跡段對應的航行時間獲取所述染色體對應的所有無人機完成任務時間。可選的，根據每個航跡段對應的起始點的坐標以及終止點的坐標，結合風場參數確定無人機飛行狀態，進而獲取所述無人機完成所述航跡段的航行時間包括：采用以下公式計算獲取無人機ui由目標點tj出發飛至目標點tk航跡段的航行時間：其中，ui表示執行上述任務的無人機，u表示無人機集合，tj為起始點，tk為終止點，t表示目標點的集合,vgi為無人機ui在上述兩目標點間的地速；采用以下公式計算獲取無人機ui的地速：其中，vai表示空速大小，βai表示空速航向角，vgi表示地速的大小，βgi表示地速航向角，表示風速大小，表示風向；采用以下公式計算獲取無人機ui在tj和tk兩點間的歐氏距離：其中，x,y分別表示對應目標點橫、縱坐標。可選的，根據所述航跡段的航行時間和muav-vs-evrp模型獲取初始種群中染色體對應的所有無人機完成任務時間包括：根據muav-vs-evrp模型獲取航行時間：其約束條件為：其中.表示無人機由目標點tj出發飛至目標點tk的航行時間，是一個二元決策變量，且當uavui經tj飛行至tk時，則的值為1，否則的值為0，nt表示目標點的數量,nu表示無人機的數量。可選的，基于遺傳算法，對初始種群中染色體進行交叉、變異處理，并在達到預定迭代次數后，選取所有無人機完成任務時間最短的染色體作為所述無人機的最優任務分配方案包括：步驟1、使用所述編碼方法生成初始解，并生成預定規模的初始種群并根據種群中每個染色體對應的所有無人機完成任務時間計算其適應度；步驟2、使用輪盤賭方法選擇父代種群中的兩個個體(a,b)進行交叉，交叉規則為先隨機選擇個體a中交叉位置，然后查找個體b中與個體a交叉位置第一行相同的基因，將染色體a和b中交叉位置基因進行替換得到新的染色體c和d，判斷染色體c和d是否滿足muav-vs-evrp模型的約束條件，若滿足則利用染色體c和d替換種群中染色體a和b，否則對不滿足約束條件的染色體進行約束校驗，即檢驗染色體a和b中無人機數量不滿足約束條件時，針對不滿足條件的染色體，隨機選取一個基因位并判斷該基因位上的無人機編碼是否存在兩個及兩個以上，若是則將缺失的無人機編碼放入該基因位，否則重新選取基因位，生成滿足約束條件的染色體替換種群中染色體a和b，然后不斷迭代更新步驟1種群，得到新的子代種群；步驟3、使用輪盤賭方法選擇步驟2種群中一條染色體進行變異，對所述染色體進行變異的方式為下述變異方式中的至少一種，包括：對染色體第一行進行目標點變異；對染色體第二行進行無人機變異；整個染色體變異的步驟包括：首先，若染色體的第一行順序變異，則隨機選取當前染色體的兩個基因位并交換對應基因位的目標點編碼；再選擇第二行是否變異及變異位置，若變異則隨機生成變異的有異于當前位置無人機編碼的值替換原值，并且在變異后判斷染色體是否滿足muav-vs-evrp模型的約束條件，若滿足則替換種群中染色體，否則對不滿足約束條件的染色體進行約束校驗，即檢驗染色體中無人機數量不滿足約束條件時，針對不滿足條件的染色體，隨機選取一個基因位并判斷該基因位上的無人機編碼是否存在兩個及兩個以上，若是則將缺失的無人機編碼放入該基因位，否則重新選取基因位，生成滿足約束條件的染色體替換種群中的染色體并不斷迭代更新步驟2種群，得到新的子代種群；步驟4、計算子代種群適應度并選取本次迭代中所有解中的最優解；步驟5、判斷當前的迭代次數是否達到預設值，若判斷否，則對步驟3中的子代種群和父代種群按照一定比例組合形成新的父代種群返回步驟2；若判斷為是，則結束迭代，將最終獲得的最優解作為無人機的任務分配結果。本發明實施例提出了一種多無人機執行多任務的分配裝置，包括：獲取模塊，用于獲取多個無人機和多個目標點的位置信息，以及所述多個無人機和風場的運動參數；第一處理模塊，用于根據所述多個無人機和所述多個目標點的位置信息和預設遺傳算法，構建初始種群，所述初始種群中的每個染色體均包括無人機數量的歐式飛行路徑各條歐式飛行路徑均由不同無人機完成；第二處理模塊，用于根據所述初始種群、無人機和風場的運動參數確定無人機飛行狀態和無人機完成歐式飛行路徑的航跡段的航行時間，根據所述航跡段的航行時間和muav-vs-evrp模型獲取初始種群中染色體對應的所有無人機完成任務時間；第三處理模塊，用于基于遺傳算法，對初始種群中染色體進行交叉、變異處理，并在達到預定迭代次數后，選取所有無人機完成任務時間最短的染色體作為所述無人機的最優任務分配方案。可選的，所述第一處理模塊，用于根據預設遺傳算法的編碼方式進行染色體編碼生成預定規模的初始種群；所述染色體由目標點信息和無人機信息組成；其中所述目標點屬于集合t0表示uavs的起點，nt表示目標點數量，無人機屬于集合nu表示無人機數量；所述染色體第一行為所述目標點的隨機全排列，第二行為根據無人機集合為每個目標點隨機選取對應的無人機，且需保證無人機集合中的無人機全部至少被選擇一次。可選的，所述第二處理模塊，用于每個染色體對應的歐式飛行路徑根據其目標點被訪問順序將所述飛行路徑分為多個航跡段；根據每個航跡段對應的起始點的坐標以及終止點的坐標，結合風場參數確定無人機飛行狀態，進而獲取所述無人機完成所述航跡段的航行時間；根據每個航跡段對應的航行時間獲取所述染色體對應的所有無人機任務完成時間。可選的，所述第二處理模塊，用于根據每個航跡段對應的起始點的坐標以及終止點的坐標，結合風場參數確定無人機飛行狀態，進而獲取所述無人機完成所述航跡段的航行時間包括：采用以下公式計算獲取無人機ui由目標點tj出發飛至目標點tk航跡段的航行時間：其中，ui表示執行上述任務的無人機，u表示無人機集合，tj為起始點，tk為終止點，t表示目標點的集合,vgi為無人機ui在上述兩目標點間的地速；采用以下公式計算獲取無人機ui的地速：其中，vai表示空速大小，βai表示空速航向角，vgi表示地速的大小，βgi表示地速航向角，表示風速大小，表示風向；采用以下公式計算獲取無人機ui在tj和tk兩點間的歐氏距離：其中，x,y分別表示對應目標點橫、縱坐標。由上述技術方案可知，本發明實施例提出的一種多無人機訪問多目標點的航跡規劃方法及裝置首先通過對風場和無人機的運動參數進行分析，獲取無人機在風場中的實際飛行狀態，然后基于實際飛行狀態進行飛行路徑的規劃，與現有技術中設定無人機速度恒定的方案相比，能根據不確定環境中風場的狀態精確計算無人機在所有可能飛行路徑上的航行時間，進而選擇出最優的飛行路徑。附圖說明通過參考附圖會更加清楚的理解本發明的特征和優點，附圖是示意性的而不應理解為對本發明進行任何限制，在附圖中：圖1示出了本發明一實施例提供的一種多無人機執行多任務的分配方法的流程示意圖；圖2示出了本發明一實施例提供的計算dubins飛行路徑的航行時間的流程示意圖；圖3示出了本發明一實施例提供的遺傳算法的流程示意圖；圖4a-圖4c示出了本發明一實施例提供遺傳算法中的算子的示意圖；圖5示出了本發明一實施例提供的風向示意圖；圖6示出了本發明一實施例提供的速度矢量關系示意圖；圖7示出了本發明一實施例提供的uav由a飛往c點受風場影響的分析示意圖；圖8示出了本發明一實施例提供的對飛行路徑進行分段的示意圖；圖9示出了本發明一實施例提供的一種多無人機執行多任務的分配裝置的結構示意圖。具體實施方式為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明的一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。圖1示出了本發明一實施例提供的一種多無人機訪問多目標點的航跡規劃的流程示意圖，參見圖1，該方法可由處理器實現，具體包括如下步驟：110、獲取多個無人機和多個目標點的位置信息，以及所述多個無人機和風場的運動參數；需要說明的是，在進行任務分配和航跡規劃之前，技術人員可設定或者根據實際情況測出無人機和多個目標點的位置信息，然后將其輸入至處理器中。另外，無人機的運動參數可以是技術人員根據實際飛行需要設定的，風場的運動參數可以是技術人員測量得出或者是根據實際情況設定的。120、根據所述多個無人機和所述多個目標點的位置信息和預設遺傳算法，構建初始種群，所述初始種群中的每個染色體均包括無人機數量的歐式飛行路徑且各條歐式飛行路徑均由不同無人機完成；130、根據所述初始種群、無人機和風場的運動參數確定無人機飛行狀態和無人機完成歐式飛行路徑的航跡段的航行時間，根據所述航跡段的航行時間和muav-vs-evrp模型獲取初始種群中染色體對應的所有無人機完成任務時間；140、基于遺傳算法，對初始種群中染色體進行交叉、變異處理，并在達到預定迭代次數后，選取所有無人機完成任務時間最短的染色體作為所述無人機的最優任務分配方案。不難理解的是，每次交叉、變異的迭代可能都有新的個體的出現，然后基于步驟130對新的染色體進行的航行時間的計算，因此，每個歐式飛行路徑對應一個航行時間。可見，本實施例首先通過對風場和無人機的運動參數進行分析，獲取無人機在風場中的實際飛行狀態，然后基于實際飛行狀態進行飛行路徑的規劃，與現有技術相比，本實施例將無人機航跡規劃問題與無人機實際飛行環境相結合，使規劃得到的最優飛行路徑方案優于無人機速度恒定的方案，進而達到能精確計算無人機在所有可能飛行路徑上的航行時間，進而選擇出最優的飛行路徑。下面對本發明實施例中的各步驟進行詳細說明：首先，對步驟120進行詳細說明：根據預設遺傳算法的編碼方式進行染色體編碼生成預定規模的初始種群；所述染色體由目標點信息和無人機信息組成；其中所述目標點屬于集合t0表示uavs的起點，nt表示目標點數量，無人機屬于集合nu表示無人機數量；所述染色體第一行為所述目標點的隨機全排列，第二行為根據無人機集合為每個目標點隨機選取對應的無人機，且需保證無人機集合中的無人機全部至少被選擇一次。然后，參見圖2，下面對步驟130進行詳細說明：210、每個染色體對應的歐式飛行路徑根據其目標點被訪問順序將所述飛行路徑分為多個航跡段；220、根據每個航跡段對應的起始點的坐標以及終止點的坐標，結合風場參數確定無人機飛行狀態，進而獲取所述無人機完成所述航跡段的航行時間；230、根據每個航跡段對應的航行時間獲取所述染色體對應的所有無人機完成任務時間。其中，步驟220包括：采用以下公式計算獲取無人機ui由目標點tj出發飛至目標點tk航跡段的航行時間：其中，ui表示執行上述任務的無人機，u表示無人機集合，tj為起始點，tk為終止點，t表示目標點的集合,vgi為無人機ui在上述兩目標點間的地速；采用以下公式計算獲取無人機ui的地速：其中，vai表示空速大小，βai表示空速航向角，vgi表示地速的大小，βgi表示地速航向角，表示風速大小，表示風向；采用以下公式計算獲取無人機ui在tj和tk兩點間的歐氏距離：其中，x,y分別表示對應目標點橫、縱坐標。另外，計算初始種群中染色體對應的無人機完成任務時間的步驟包括：根據muav-vs-evrp模型獲取無人機完成任務時間：其約束條件為：其中.表示無人機由目標點tj出發飛至目標點tk的航行時間，是一個二元決策變量，且當uavui經tj飛行至tk時，則的值為1，否則的值為0，nt表示目標點的數量,nu表示無人機的數量。下面對步驟140進行詳細說明：步驟1、使用所述編碼方法生成初始解，并生成預定規模的初始種群并根據種群中每個染色體對應的無人機完成任務時間計算其適應度；步驟2、使用輪盤賭方法選擇父代種群中的兩個個體(a,b)進行交叉，交叉規則為先隨機選擇個體a中交叉位置，然后查找個體b中與個體a交叉位置第一行相同的基因，將染色體a和b中交叉位置基因進行替換得到新的染色體c和d，判斷染色體c和d是否滿足muav-vs-evrp模型的約束條件，若滿足則利用染色體c和d替換種群中染色體a和b，否則對不滿足約束條件的染色體進行約束校驗，生成滿足約束條件的染色體替換種群中染色體a和b，然后不斷迭代更新步驟1種群，得到新的子代種群；步驟3、使用輪盤賭方法選擇步驟2種群中一條染色體進行變異，對所述染色體進行變異的方式為下述變異方式中的至少一種，包括：對染色體第一行進行目標點變異；對染色體第二行進行無人機變異；整個染色體變異的步驟包括：首先，若染色體的第一行順序變異，則隨機選取當前染色體的兩個基因位并交換對應基因位的目標點編碼；再選擇第二行是否變異及變異位置，若變異則隨機生成變異的有異于當前位置無人機編碼的值替換原值，并且在變異后判斷染色體是否滿足muav-vs-evrp模型的約束條件，若滿足則替換種群中染色體，否則對不滿足約束條件的染色體進行約束校驗，生成滿足約束條件的染色體替換種群中的染色體并不斷迭代更新步驟2種群，得到新的子代種群；步驟4、計算子代種群適應度并選取本次迭代中所有解中的最優解；步驟5、判斷當前的迭代次數是否達到預設值，若判斷否，則對步驟3中的子代種群和父代種群按照一定比例組合形成新的父代種群返回步驟2；若判斷為是，則結束迭代，將最終獲得的最優解作為無人機的任務分配結果。下面參見圖3對本發明的采用的遺傳算法的原理進行詳細說明：1、開啟；2、基于技術人員的設定，生成包括指定數量染色體的種群，指定數量可具體為100個；如圖4a所示，染色體a表示在穩定風場下兩個無人機uav訪問三個目標點的一種可行方案，即一號uav從起始點s(0,0)出發，依次訪問目標點3和目標點1后返回，二號uav從起始點s(0,0)出發，訪問目標點2后返回。編碼中第二行代表uav訪問對應目標點的編碼。其中，染色體a包括兩條歐式飛行路徑且各條歐式飛行路徑均由不同無人機一號和二號完成。3、計算每個染色體的適應度；需要說明的是，采用圖1對應實施例中的步驟140的計算方法，計算無人機完成每個歐式飛行路徑的航行時間，并基于無人機完成任務時間計算染色體的適應度，例如：無人機完成任務時間與適應度成反比關系。不難理解的是，按照上述步驟2中的編碼方式生成規定數量的種群后進行適應度的計算，本文發明中適應度的計算以目標函數為依據，其計算過程如下：4、選擇操作根據j’通過輪盤賭的方法進行選擇操作。5、交叉操作通過對父代染色體進行交叉，可以繼承父代中比較優良的基因，獲得更優的子代。針對muav-vs-evrp問題本文針對當前的編碼方式采用單點映射的方法，即隨機產生父代染色體a交叉的基因位，在父代染色體b中找到同一目標點對應的基因位，交叉產生子染色體a、b，并對子染色體a、b進行約束條件校驗。參見圖4b，有父代parenta和parentb，在parenta上隨機產生進行交叉的基因位為3，找到parentb上對應相同目標點的基因位，經過交叉后產生子染色體offspringa和offspringb，對offspringa和offspringb進行約束校驗，發現offspringa的無人機編碼均表示同一無人機，不符合約束條件，因而再次對offspringa的無人機編碼隨機產生基因位與parenta的第3基因位進行映射交叉，交叉后offspringa滿足約束條件。6、變異操作變異是為了防止遺傳算法陷入局部最優。針對求解suav-dvs-vrp模型的遺傳算法，染色體變異存在兩種情況：目標點編碼變異和航向角編碼變異。根據變異概率，染色體中可發生多次變異也可不發生變異。其中，目標點編碼變異采用雙基因位變異，即在染色體的第一行隨機產生兩個進行變異的基因位，并將兩個基因位上的值互換，該方法滿足了模型中每個目標點只被訪問一次的約束，保證了子染色體的可行性，航向角編碼采用均勻變異。變異操作舉例：如圖4c所示，有父代parenta，在parenta上分別進行目標點變異和無人機變異，在進行變異前首先判斷兩種變異是否發生，在判斷得到目標點變異發生時，隨機選取進行編譯的基因位，本例中選取的基因位是1和3，隨后將被選取的基因位上的目標值進行交換，得到新的目標點訪問順序；在判斷得到無人機變異發生時，隨機選取進行變異的基因位，本例中選取的基因位是3，隨機生成與當前無人機不同的無人機編碼替換當前值，得到新的parenta。對parenta進行約束條件校驗，發現parenta的無人機編碼均表示同一無人機，不符合約束條件，因而再次對parenta的無人機編碼進行變異操作，選取變異基因位是2，隨機生成與當前無人機不同的無人機編碼替換當前值，得到offspringa滿足約束條件。7、更新操作8、選取最優分配方案9、判斷是否終止10、獲得最優分配方案11、結束需要說明的是，上述步驟與圖1對應實施例中的部分步驟相對應，故，相似之處此處不再贅述，具體請查看圖1對應的實施例中的相關內容。下面結合上述的遺傳算法對本發明的設計原理進行詳細說明：步驟一，為避免問題過于復雜，本發明采用區域固定風場進行風場建模，即在規定區域內，其風場的風速和風向是不變的。已知區域的風場狀態可表示為：其中，vw表示風場中的風速，βw表示風向。風速vw是指風相對于地面單位時間內移動的距離，單位為m/s；風向βw是指風吹來的方向，風向的測量單位一般用方位來表示，如陸地上，一般用16個方位表示，海上多用36個方位表示，而在高空則用角度表示，即把圓周分成360度，本文規定西風(w)是0度(即360度)，南風(s)是90度，東風(e)是180度，北風(n)是270度，如圖5所示。步驟二，配置uav用表示四旋翼muav，muav在空中的配置定義為：q＝(x，y，βg)(4)其中，其中，和表示的是一架uav在笛卡爾慣性參考系中的坐標；vg表示uav的地速βg是指muav的航向角。為使問題簡化，本文提出以下關于uav在執行任務過程中需滿足的運動約束的假設：(1)muav均為同構多旋翼uav；(2)不考慮muav的碰撞，認為muav具有避障功能；(3)考慮muav均在固定的高度飛行；(4)根據muav的飛行包線，muav在指定高度固定載荷下的飛行速度存在上下界，即va_min和va_max分別表示在某高度下muav空速的最小值和最大值；(5)多架muav均有出發點出發并在執行完成任務后返回出發點。步驟三，計算uav的實際飛行狀態考慮風影響的uav實際速度定義為uav的地速大小為vg，此時uav的航向角為βg，uav地速矢量將不考慮風影響的uav理論速度定義為uav的空速大小為va，此時uav的航向角為βa，uav空速矢量uav空速地速與風場中風速的矢量關系如圖6所示。上述速度與角度關系為：在無風時，即uav空速與地速相等。下面結合圖7進行實例說明：uav由s(0,0)飛往a(50,300)，空速為8m/s，該uav所處的環境是風速為5m/s、風向為南風(vw＝5m/s,βw＝90°)，根據式(7)可得到uav在該過程中的空速和地速如表4-1所示。表4-1四旋翼uav在無風與南風環境下空速、地速對比表空速地速南風環境28.80km/h,35.5°23.49km/h,80.5°無風環境28.80km/h,80.5°28.80km/h,80.5°步驟四，目標點配置nt個目標點的集合可表示為：其中，集合中所有的目標點的位置和任務量均已知。在本發明中，每一個目標點上都可能有不同類型的任務需要被uav執行，且在此過程中每架uav只能執行一個目標點上的一個任務，即每個目標點都要被不同的uav訪問，每架uav只能訪問某個目標點一次。步驟五，計算航行時間在以飛行時間作為目標的uav任務分配與航跡規劃問題中，uav的任務分配方案決定uav訪問目標點的順序，根據uav目標點訪問順序進行航跡規劃，由航跡規劃的結果計算uav飛行時間進而由uav飛行時間決定當前uav任務分配與航跡規劃方案是否優于已知方案。由于uav在兩點間的航行軌跡是歐氏距離，因而uav在兩點間的航行方向固定，進而固定風場下uav在兩點間的地速是不變的，但固定風場下uav由目標點出發在多個目標點場景中地速是變化的，其飛行時間計算如下：其中，表示uav在tj和tk兩點間的歐氏距離，uav在兩點間的地速由公式(7)求得。從而，可根據公式(8)計算muav的任務完成時間。其中，表示uavui在tj、tk兩點的航行時間；是一個二元決策變量，且當uavuy經tj飛行至tk時，則的值為1，否則的值為0；j中j、k值取0表示uav由起始點出發或路徑末端指向起始點。在求解過程中，還需滿足以下幾個約束條件：上述條件保證所有的目標點都能被訪問到且只能被訪問一次。上述條件保證由起始點出發uav數量的uav路線，并有uav數量的uav路徑指向同一點。上述條件在其它約束條件的基礎上保證有uav數量的路線且每一架uav的路徑是一條閉合的環，即uav的航行軌跡是一條有序的路線，并最終回到起始點。可見，基于上式可得到每個染色體對應的任務完成時間，進而從中選取出任務完成時間最短的任務分配方案。下面對本發明進行具體實例的詳細說明：首先，所有的仿真實驗均是在4g內存、3.4ghzcpu的硬件上、在matlabr2014a的環境中運行的。具體說明如下：uav模型基于uav的數學模型，其空速為8米/秒,兩架uav均從出發點s(0,0)起飛，在完成訪問任務后返回點s(0,0)；風場環境是固定風場，即在一次實驗過程中風速和風向都是不變的，并且為了保證uav能夠安全飛行，風速大小為5米/秒，風向取東，即180°，uav需要訪問的三個目標點坐標分別為：a(100,300)、b(200,150)、c(350,50)、d(500，150)、e(650,100)、f(400，200)、g(50，250)、h(250，350)和i(50，450)。根據上述本發明提出的模型和算法，本文在東風風場環境和試驗場景下進行實驗，并得到各風場環境下無人機任務完成時間最短的任務分配如表3-1所示(參見圖8)。3-1對于方法實施方式，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明實施方式并不受所描述的動作順序的限制，因為依據本發明實施方式，某些步驟可以采用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施方式均屬于優選實施方式，所涉及的動作并不一定是本發明實施方式所必須的。圖9示出了本發明一實施例提供的一種無人機訪問多目標點的航跡規劃裝置的結構示意圖，參見圖9，該裝置包括：獲取模塊101、第一處理模塊102、第二處理模塊103以及第三處理模塊104，其中：獲取模塊101，用于獲取多個無人機和多個目標點的位置信息，以及所述多個無人機和風場的運動參數；第一處理模塊102，用于根據所述多個無人機和所述多個目標點的位置信息和預設遺傳算法，構建初始種群，所述初始種群中的每個染色體均包括無人及數量的歐式路徑且各條歐式飛行路徑均由不同無人機完成；第二處理模塊103，用于根據所述初始種群、無人機和風場的運動參數確定無人機飛行狀態和無人機完成歐式飛行路徑的航跡段的航行時間，根據所述航跡段的航行時間和muav-vs-evrp模型獲取初始種群中染色體對應的任務完成時間；第三處理模塊104，用于基于遺傳算法，對初始種群中染色體進行交叉、變異處理，并在達到預定迭代次數后，選取任務完成時間最短的染色體作為所述無人機的最優任務分配方案。可見，本實施例首先通過對風場和無人機的運動參數進行分析，獲取無人機在風場中的實際飛行狀態，然后基于實際飛行狀態進行飛行路徑的規劃，與現有技術相比，本實施例將無人機航跡規劃問題與無人機實際飛行環境相結合，使規劃得到的最優飛行路徑方案優于無人機速度恒定的方案，進而達到能精確計算無人機在所有可能飛行路徑上的航行時間，進而選擇出最優的飛行路徑。下面對本裝置的各功能模塊進行詳細說明：第一處理模塊102，用于根據預設遺傳算法的編碼方式進行染色體編碼生成預定規模的初始種群；所述染色體由目標點信息和無人機信息組成；其中所述目標點屬于集合t0表示uavs的起點，nt表示目標點數量，無人機屬于集合nu表示無人機數量；所述染色體第一行為所述目標點的隨機全排列，第二行為根據無人機集合為每個目標點隨機選取對應的無人機，且需保證無人機集合中的無人機全部至少被選擇一次。第二處理模塊103，用于每個染色體對應的歐式飛行路徑根據其目標點被訪問順序將所述飛行路徑分為多個航跡段；根據每個航跡段對應的起始點的坐標以及終止點的坐標，結合風場參數確定無人機飛行狀態，進而獲取所述無人機完成所述航跡段的航行時間；根據每個航跡段對應的航行時間獲取所述染色體對應的任務完成時間。進一步地，第二處理模塊103，用于根據每個航跡段對應的起始點的坐標以及終止點的坐標，結合風場參數確定無人機飛行狀態，進而獲取所述無人機完成所述航跡段的航行時間包括：采用以下公式計算獲取無人機ui由目標點tj出發飛至目標點tk航跡段的航行時間：其中，ui表示執行上述任務的無人機，u表示無人機集合，tj為起始點，tk為終止點，t表示目標點的集合,vgi為無人機ui在上述兩目標點間的地速；采用以下公式計算獲取無人機ui的地速：其中，vai表示空速大小，βai表示空速航向角，vgi表示地速的大小，βgi表示地速航向角，表示風速大小，表示風向；采用以下公式計算獲取無人機ui在tj和tk兩點間的歐氏距離：其中，x,y分別表示對應目標點橫、縱坐標。另外，計算初始種群中染色體對應的無人機完成任務時間的步驟包括：根據muav-vs-evrp模型獲取無人機完成任務時間：其約束條件為：其中.表示無人機由目標點tj出發飛至目標點tk的航行時間，是一個二元決策變量，且當uavui經tj飛行至tk時，則的值為1，否則的值為0，nt表示目標點的數量,nu表示無人機的數量。第三處理模塊104，用于執行以下步驟：步驟1、使用所述編碼方法生成初始解，并生成預定規模的初始種群并根據種群中每個染色體對應的完成任務時間計算其適應度；步驟2、使用輪盤賭方法選擇父代種群中的兩個個體(a,b)進行交叉，交叉規則為先隨機選擇個體a中交叉位置，然后查找個體b中與個體a交叉位置第一行相同的基因，將染色體a和b中交叉位置基因進行替換得到新的染色體c和d，判斷染色體c和d是否滿足muav-vs-evrp模型的約束條件，若滿足則利用染色體c和d替換種群中染色體a和b，否則對不滿足約束條件的染色體進行約束校驗，即檢驗染色體a和b中無人機數量不滿足約束條件時，針對不滿足條件的染色體，隨機選取一個基因位并判斷該基因位上的無人機編碼是否存在兩個及兩個以上，若是則將缺失的無人機編碼放入該基因位，否則重新選取基因位，生成滿足約束條件的染色體替換種群中染色體a和b，然后不斷迭代更新步驟1種群，得到新的子代種群；步驟3、使用輪盤賭方法選擇步驟2種群中一條染色體進行變異，對所述染色體進行變異的方式為下述變異方式中的至少一種，包括：對染色體第一行進行目標點變異；對染色體第二行進行無人機變異；整個染色體變異的步驟包括：首先，若染色體的第一行順序變異，則隨機選取當前染色體的兩個基因位并交換對應基因位的目標點編碼；再選擇第二行是否變異及變異位置，若變異則隨機生成變異的有異于當前位置無人機編碼的值替換原值，并且在變異后判斷染色體是否滿足muav-vs-evrp模型的約束條件，若滿足則替換種群中染色體，否則對不滿足約束條件的染色體進行約束校驗，即檢驗染色體a和b中無人機數量不滿足約束條件時，針對不滿足條件的染色體，隨機選取一個基因位并判斷該基因位上的無人機編碼是否存在兩個及兩個以上，若是則將缺失的無人機編碼放入該基因位，否則重新選取基因位，生成滿足約束條件的染色體替換種群中的染色體并不斷迭代更新步驟2種群，得到新的子代種群；步驟4、計算子代種群適應度并選取本次迭代中所有解中的最優解；步驟5、判斷當前的迭代次數是否達到預設值，若判斷否，則對步驟3中的子代種群和父代種群按照一定比例組合形成新的父代種群返回步驟2；若判斷為是，則結束迭代，將最終獲得的最優解作為無人機的任務分配結果。對于裝置實施方式而言，由于其與方法實施方式基本相似，所以描述的比較簡單，相關之處參見方法實施方式的部分說明即可。應當注意的是，在本發明的裝置的各個部件中，根據其要實現的功能而對其中的部件進行了邏輯劃分，但是，本發明不受限于此，可以根據需要對各個部件進行重新劃分或者組合。本發明的各個部件實施方式可以以硬件實現，或者以在一個或者多個處理器上運行的軟件模塊實現，或者以它們的組合實現。本裝置中，pc通過實現因特網對設備或者裝置遠程控制，精準的控制設備或者裝置每個操作的步驟。本發明還可以實現為用于執行這里所描述的方法的一部分或者全部的設備或者裝置程序(例如，計算機程序和計算機程序產品)。這樣實現本發明的程序可以存儲在計算機可讀介質上，并且程序產生的文件或文檔具有可統計性，產生數據報告和cpk報告等，能對功放進行批量測試并統計。應該注意的是上述實施方式對本發明進行說明而不是對本發明進行限制，并且本領域技術人員在不脫離所附權利要求的范圍的情況下可設計出替換實施方式。在權利要求中，不應將位于括號之間的任何參考符號構造成對權利要求的限制。單詞“包含”不排除存在未列在權利要求中的元件或步驟。位于元件之前的單詞“一”或“一個”不排除存在多個這樣的元件。本發明可以借助于包括有若干不同元件的硬件以及借助于適當編程的計算機來實現。在列舉了若干裝置的單元權利要求中，這些裝置中的若干個可以是通過同一個硬件項來具體體現。單詞第一、第二、以及第三等的使用不表示任何順序。可將這些單詞解釋為名稱。最后應說明的是：以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。當前第1頁12